s11235218的博客

Seq2Seq在Seq2Seq结构中，编码器Encoder把所有的输入序列都编码成一个统一的语义向量Context，然后再由解码器Decoder解码。在解码器Decoder解码的过程中，不断地将前一个时刻 [公式] 的输出作为后一个时刻 [公式] 的输入，循环解码，直到输出停止符为止。Encoder 是一个 GRUDecoder 也是一个 GRU训练采用cross entropy loss，与语言模型类似与经典RNN结构不同的是，Seq2Seq结构不再要求输入和输出序列有相同的时间长度！注

生成式对抗网络（GAN, Generative Adversarial Networks ）一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。原始 GAN 理论中，并不要求 G 和 D 都是神经网络，只需要是能拟合相应生成和判别的函数即可。但实用中一般均使用深度神经网络作为 G 和 D 。一个优秀的GAN应用需要有良好的训练方法，

图像分类是什么？图像分类，顾名思义，是一个输入图像，输出对该图像内容分类的描述的问题。它是计算机视觉的核心，实际应用广泛。图像分类的传统方法是特征描述及检测，这类传统方法可能对于一些简单的图像分类是有效的，但由于实际情况非常复杂，传统的分类方法不堪重负。现在，我们不再试图用代码来描述每一个图像类别，决定转而使用机器学习的方法处理图像分类问题。主要任务是给定一个输入图片，将其指派到一个已知的混合类别中的某一个标签。...

卷积神经网络卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络"。将一个全连接网络作用在局部特征上进行抽取简单来说，就是将局部的、小区域的特征取出来做一个线性变换池化定义一个基于ConvNet的

文本分类能做什么？识别垃圾邮件、情感分析、主题分类等文本分类在文本处理中是很重要的一个模块，它的应用也非常广泛，比如：垃圾过滤，新闻分类，词性标注等等。它和其他的分类没有本质的区别，核心方法为首先提取分类数据的特征，然后选择最优的匹配，从而分类。但是文本也有自己的特点，根据文本的特点，文本分类的一般流程为：预处理；文本表示及特征选择；构造分类器；分类。分类问题模型： 分类器分类器是一个函数f，这个函数拿到输入x然后输出类别y。情感分析通常来讲，文本分类任务是指在给定的分类体系中，将文本指定分到某

在计算机中表示一个词的问题：不能分辨细节差别；需要大量人为干预；偏向主观；无法发现新词；难以精确计算词之间的相似度词表示 发展：离散表示词向量表示One-hot：一个词可以表示为One-Hot 向量（一维为1 其余维为0的向量），也叫局部表示。离散表示的缺点是词与词之间没有距离的概念，与事实不符文本表示Bag of words 词袋模型: 文本可以看作是一句话，或者几句话组成的短文本。文本表示就是将一段短文本表示为向量。词袋模型是一种非常经典的文本表示。顾名思义，它就是将字符串视为一

PyTorch是什么？PyTorch是一个基于Python的科学计算库，有以下特点：类似于NumPy，但是它可以使用GPU可以用它定义深度学习模型，可以灵活进行深度学习模型的训练及使用以下为简单示例：import torch# 构造一个未初始化的 5 * 3 矩阵torch.empty(5, 3)# 构建一个随机初始化的矩阵x = torch.rand(5, 3)# 构造一个全都为0，类型为long的矩阵x = torch.zeros(5, 3)x.dtype热身: 用nu

机器学习是什么？定义： 机器学习是指用某些算法指导计算机利用已知数据得出适当的模型，并利用此模型对新的情境给出判断的过程。模型： 给定一个输入需要返回一个输出。本质上是一个函数，其作用是实现从一个样本x到样本的标记值 Y的映射，即f(x)->Y。预测： 当给一张新图片或者一句新的话，预测想要预测的结果.学习： 本质上就是优化参数的过程，使其在某问题上得到优化提升神经网络是什么？神经网络简单点将就是由好多个神经元组成的系统。这是模拟人类的神经网络。如果一个神经元是一个函数，那么神经网络就是一